Probabilidad Binomial: Caso Tienda de Ropa

Determinar probabilidades para la distribución binomial

CASO:

Considere las decisiones de compra de los próximos tres clientes que lleguen a la tienda de ropa Martin Clothing Store. De acuerdo con la experiencia, el gerente de la tienda estima que la probabilidad de que un cliente realice una compra es 0.30.

Objetivo

• Identificar las variables, probabilidad y n para caso Binomial
• 1. Se calculará ahora la probabilidad de que ningún cliente realice una compra,
• 2. De que sea dos o menos clientes,
• 3. De que exactamente sean dos clientes realicen una compra
• 4. De mas de dos o sea de tres en adelante
• 5. Genera tabla de distribución con x, prob y prob acumulada
• 6. Gráfica de barra para variables discretas 0:3
• 7. Gráfica acumulada
• 8. Valor esperado o media
• 9. Varianza
• 10. Desviación std

Librerias

library(knitr)

Identificar las variables, probabilidad y n para caso Binomial

n <- 3
prob <- 0.30

1. Se calculará ahora la probabilidad de que ningún cliente realice una compra

• Para cuando \(x=0\)
• Se determina la función o probabilidad para cuando \(x=0\) confome a la fórmla y luego conforme a la funcion de R: dbinom(). El resultado es el mismo

x <- 0
n <- 3
p <- prob
q = 1 - p
dbinom(x,n,p)

## [1] 0.343

2. De que sea dos o menos clientes

x <- 2
pbinom(x,n,prob)

## [1] 0.973

3. De que exactamente sean dos clientes realicen una compra

x<-2
dbinom(x,n,prob)

## [1] 0.189

4. De mas de dos o sea de tres en adelante

x<-2
1 - pbinom(x,n,prob)

## [1] 0.027

5. Genera tabla de distribución con x, prob y prob acumulada

tabla <- data.frame(c(0:3),dbinom(0:3,n,prob), pbinom(0:3,n,prob))

colnames(tabla) <- c("x", "prob.x", "prob.acum.x")
tabla

##   x prob.x prob.acum.x
## 1 0  0.343       0.343
## 2 1  0.441       0.784
## 3 2  0.189       0.973
## 4 3  0.027       1.000

6. Gráfica de barra para variables discretas 0:3

barplot(height = tabla$prob.x, names.arg = tabla$x,
        xlab = "Valores de x",
        ylab = "Probabilidades")

7. Gráfica acumulada

plot(tabla$x, tabla$prob.acum.x, type = "b",
     xlab = "Valores de x",
        ylab = "Probabilidad acumulada")

8. Valor esperado

\(\mu = np\)

v.e <- n * prob
v.e

## [1] 0.9

9. Varianza

\(\sigma^2 = np(1-p)\)

var <- n * p * q
var

## [1] 0.63

10. Desviación std

\(\sqrt{\sigma^2}\)

std <- sqrt(var)
std

## [1] 0.7937254